推 wtchen: 應該是先「假設」其distribution再去求相關參數吧 03/21 18:53
推 yiche: 同一樓看法 03/21 20:14
推 yiche: 看設的random variable情境為何,在不同情境有不同適用的 03/21 20:18
→ yiche: 機率分佈,至於準不準確我認為有待樣本做大之後再檢驗了 03/21 20:18
推 SilenceWFL: 承上述大大討論:統計模型之所以是「統計」,是因為 03/22 00:47
→ SilenceWFL: 基於研究者對這個領域的了解與前人經驗的累積,才能 03/22 00:47
→ SilenceWFL: 針對變數提出很強的分佈假設,透過這樣的假設才能進 03/22 00:47
→ SilenceWFL: 一步推敲變數與應變數的關係 03/22 00:47
→ SilenceWFL: 當然這時就會有人質疑,前人經驗與當下情境有所出入 03/22 00:51
→ SilenceWFL: ,究竟是否合適繼續使用同樣的分佈假設;這時除了可 03/22 00:51
→ SilenceWFL: 以透過檢定佐證外,也可以透過各式各樣的手段放寬分 03/22 00:51
→ SilenceWFL: 佈假設的限制(比方說robust, panel data… 03/22 00:51
推 raiderho: 標準做法不就是 kernel density estimation 嗎? 03/22 14:30
推 carolian: 可以用Central limit theorem假設distribution 03/22 15:53
推 bearching: 看你要做什麼用 如果是計量相關分析可以用GMM方法 只要 03/22 17:25
→ bearching: 知道動差就可以跑了~回到問題本身 所以要先觀察data阿 03/22 17:25
→ bearching: 學這麼多分配就是要讓你知道資料有這些種類的特性 都 03/22 17:26
→ bearching: 不是那些學過的話再來談 03/22 17:26
推 wieldthewave: 推一樓 03/27 18:55
→ wieldthewave: 比較「統計化」的執行方式應該是先猜測分佈然後再去 03/27 18:55
→ wieldthewave: 估計參數 03/27 18:55
推 a22735557: 標準做法還有kernel density estimation 或是更直觀的 04/02 02:45
→ a22735557: histogram 去試著看出資料的 distribution ,也有不 04/02 02:45
→ a22735557: 少針對 distribution 的檢定可以做,接著再用一樓說的 04/02 02:45
→ a22735557: 方法去繼續分析 04/02 02:45